压缩感知曲线SAR孔径优化和目标三维特征提取

在建立曲线合成孔径雷达回波信号稀疏表示模型的基础上,基于压缩感知采样矩阵设计的不相关原则,给出了曲线孔径优化设计的评价准则,并利用基于全局优化的基追踪方法实现了目标三维特征提取。仿真结果验证了孔径优化评价准则的正确性和基追踪方法在目标特征提取处理中的有效性。     

协方差压缩感知逆合成孔径雷达成像技术

为解决低信噪比条件下短观测时间雷达成像问题,提出一种基于回波协方差矩阵处理的压缩感知逆合成孔径雷达成像技术。该方法构建了回波协方差矩阵层面下的压缩感知问题模型,并通过特定的线性变换降低环境噪声对成像结果的影响。在仿真实验中,通过处理短观测时间和低信噪比条件下的模拟回波数据,该方法获得比传统压缩感知方法像质更好、对比度更强的目标成像结果。同时,其成像结果的目标背景比和背景噪声能量两个雷达图像评价指标都优于传统方法,进一步验证了该方法的有效性。     

基于AM-LFM与BOMP的ISAR成像算法

对含微动运动的目标进行稀疏孔径逆合成孔径(ISAR)成像时,基于Chirplet分解和压缩感知(CS)的成像算法存在运算效率低、重构精度与鲁棒性差等问题。针对上述算法中存在的不足,提出了基于调幅-线性调频(AM-LFM)分解和贝叶斯正交匹配追踪(BOMP)的改进微动目标成像算法。应用该改进压缩感知(CS)算法进行微动目标成像,实验结果表明:由于改进算法采用AM-LFM分解和BOMP重构,提高了重构精度、鲁棒性与运算效率,成像效果比原算法更好。     

稀疏孔径条件下微动目标特征提取与成像算法

针对窄带雷达稀疏孔径条件下,目标微多普勒信号无法使用传统方法进行参数化表征和提取的问题,提出一种方位向稀疏孔径条件下微动目标特征提取与成像的新方法。通过详细分析微动目标雷达回波特性,并根据目标回波特征构造微多普勒信号原子集,在此基础上,使用正交匹配追踪算法实现微动目标的特征提取与成像。仿真实验表明该方法能够在稀疏孔径条件下有效提取目标微动特征并实现目标成像。     

三维转动下旋转对称目标的转角估计方法

转角估计是逆合成孔径雷达成像中的基本问题,得到的横向定标后图像可实现目标真实外形和尺寸等特征的提取,并为目标的参数估计和分类识别提供基础。针对三维转动的旋转对称目标,由于其转角变化的高度非线性,提出了一种基于旋转匹配特性的转角估计方法。基于旋转对称目标的三维转动模型,首先对目标在径向距离—速度差平面上的旋转匹配关系进行了证明和分析。进而,基于最优化准则,在雷达视线角二阶多项式近似下完成转角估计。仿真实验以进动锥柱体为例,在一个进动周期上对等效转速进行估计,结果表明算法在几乎所有的成像时刻都能有效估计目标转角。同时,实验还分析了散射点个数对转角估计性能的影响。     

基于压缩感知的多频率信号融合

传统多频带雷达信号融合是利用多个连续采样的子带信号来重构全频带信号,从而提高距离向分辨力,改善一维距离像质量。但是由压缩感知原理可知,采样矩阵与测量矩阵不相关性越大,全频带信号就能重构得越好,因此理论上基于随机采样的信号融合的性能要优于基于多个连续采样的信号融合。基于压缩感知原理将传统的多频带融合问题推广为任意随机采样的信号重构问题,利用基追踪方法来重构全频率信号,并给出了能够高概率成功重构的充分条件。通过实验也证明了这种随机采样融合的优越性。     

基于模拟干涉相位去斜的SAR层析处理方法

合成孔径雷达层析解决了传统合成孔径雷达二维成像在高程向分辨率丧失的难题,通过不同空间位置的多次观测在目标高程向形成合成孔径,真正实现了对目标的三维成像.以合成孔径雷达层析处理中的去斜操作这一重要步骤为研究对象,提出一种基于模拟干涉相位的去斜方法.该方法可以避免额外大气相位误差的引入,并且仅需要低精度的地面高程数据就可得...     

凹障碍超宽带SAR图像特征分析

野外环境下的凹障碍感知一直是地面无人作战平台环境感知面临的难题,长期以来常规传感器,例如立体视觉、红外相机和激光雷达,都没有取得好的效果。超宽带合成孔径雷达作为一种全天时、全天候的高分辨率雷达,在目标感知方面得到了广泛的运用。基于超宽带合成孔径雷达感知凹障碍是一种有效的感知手段,阐述了凹障碍的雷达成像几何,利用MATLAB模拟仿真合成孔径雷达数据获得了凹障碍图像,分析得出了凹障碍在雷达图像表现出由阴影区和光亮区紧密相连的特征,并通过实测数据成像获得的凹障碍图像结果,对凹障碍雷达图像特征进行了进一步的验证。     

基于多尺度压缩感知的信号重构

压缩感知是近几年新兴的采样理论,它指出如果信号在某些基上是可压缩的,那么通过很少的观测即可获得信号的准确重构。当信号采用小波基并在压缩感知的基础上,提出了多尺度压缩感知,数值仿真结果表明多尺度压缩感知可以给出更好的重构效果。     

基于压缩感知的无人机图像组合去噪方法

针对无人机图像中存在的多种类型噪声干扰的情况,提出了一种基于压缩感知的无人机图像混合去噪方法。利用移动窗口平滑处理含噪图像中脉冲噪声,并去除该类噪声对图像稀疏性的破坏;对粗去噪图像进行稀疏表示,利用高斯观测矩阵对其测量,通过正交匹配追踪算法重构得到去噪后图像。实验结果表明,该算法改善了基于压缩感知图像去噪方法对含有脉冲噪声去噪效果差的问题,提高了去噪图像的峰值信噪比和视觉效果。     

一种高机动场景下的单快拍DOA估计算法

针对高机动场景下目标信号样本数据少,常规算法难以获取信号子空间的问题,提出一种基于改进协方差矩阵的单快拍DOA估计算法。所提算法首先对接收的单次采样数据做互相关预处理,利用预处理所得数据重构等效协方差矩阵,再基于MUSIC算法完成相干信号的DOA估计。在不损失阵列孔径的同时,算法保证了谱估计精度。计算机仿真表明,在样本量较小的情况下,所提算法能够有效估计出相干目标信号,较现有算法估计精度有所提高。     

稀疏平衡变分自动编码器的文本特征提取

针对文本特征提取方面的高维数据特征区分度较低、基于规则的特征学习的自学习性能差、变分自动编码器存在过度剪枝等问题,提出稀疏平衡变分自动编码器(Sparse Balanced Variational AutoEncoder,SBVAE)的文本特征提取模型.为消除噪声干扰,提高文本特征提取模型的鲁棒性,在文本特征提取的输入...     

一种基于模型的舰船目标特征提取方法

针对中分辨雷达,提出了一种基于模型的舰船目标特征提取方法。通过对特征向量的组合和加权提高了舰船目标的特征提取质量,在人工神经网络识别器中取得了较好的识别效果。     

弹道目标微多普勒特性基于逆Radon变换的稀疏表示

作为识别空间弹道目标的有效方法,微多普勒特性提取对于雷达系统的时频分辨率提出了很高的要求,因此,要求雷达系统具有更高的采样频率。作为近年来新兴的技术手段,在远低于奈奎斯特采样定理的采样频率下,压缩感知技术可以对具有稀疏特性的信号实现高精度还原。对空间弹道目标时频分布进行逆Radon变换,在变换后的IRT域内获得时频分布的稀疏表示,从而可以借助压缩感知技术有效降低采样频率的要求。     

基于时频分布的弹道导弹目标识别方法

在弹道导弹目标识别中,微动特征是重要的识别手段。从弹道导弹微动特性时频分析出发,提出一种基于时频分布的弹道导弹目标识别方法。该方法将时频分布图的伪Zeinike不变矩特征作为识别特征。首先对回波信号进行时频变换以获取时频图像;然后为了降低噪声的影响,对其进行图形预处理;最后给出了伪Zernike不变矩提取步骤及识别特征的选取原则。通过仿真实验,分析了不同特征组合对识别率的影响,评估了不同信噪比下识别方法的稳定性。实验结果表明,该方法具有一定稳定性,可用于弹道导弹目标识别。     

针对舰船目标高分辨距离像的特征选择方法

为了提高基于高分辨距离像(HRRP)的舰船目标识别率,首先通过目标区域提取来解决HRRP的幅度敏感性和平移敏感性的问题;然后根据传统的特征提取方法,提取出15个较好的特征进行多特征综合识别;最后在基于Fisher准则的特征选择方法上进行改进,提出了一种基于特征互补性的特征选择方法,选择一个最优特征子集。通过仿真实验验证了提出的特征选择方法,同时选择出一个最佳分类器。     

基于改进K-L变换的特征提取技术

在模式识别中,为解决样本增加时,反复使用传统K L变换进行特征提取耗时多的缺点,提出了一种改进的K L变换方法,该方法利用快速递推算法来计算协方差矩阵,并使用矩阵扰动理论来求解协方差矩阵的特征值和特征向量。仿真试验表明该方法在确保计算精度的前提下,大大减少了运算时间。     

机载MIMO雷达稳健非均匀样本选择方法

针对杂波训练样本中混入干扰目标,导致空时自适应处理技术的杂波抑制性能下降问题,提出一种基于目标知识进行局部稀疏恢复的稳健训练样本挑选方法。该方法利用先验知识确定待检测单元中的目标区域,对整个角度-多普勒平面进行遍历,获得稀疏超完备基。通过变换矩阵对超完备基中对应的目标区域进行"挖空"处理,局部稀疏恢复出超分辨的杂波空时谱,获得杂波协方差矩阵估计。结合广义内积算法,实现非均匀训练样本挑选的过程。与常规结合广义内积方法相比,该方法对于不同干扰强度的训练样本,均有良好的检测效果。经仿真验证,所提方法的检验统计量之间区分度更加明显,对于干扰样本的挑选更加彻底,从而有效地提高了空时自适应处理技术的目标检测性能。     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。